/ Модель

Характеристики

Архитектура
voxtral_realtime · dense
Базовая модель
Voxtral-Mini-4B-Realtime-2602
Библиотека
vllm
Опубликована
8 окт 2026

Voxtral-Mini-4B-Realtime-Arabic

Распознавание речиАудио → текст

Потоковая модель Mistral AI для транскрибации арабской речи, включая диалекты, литературный арабский и переключение языков.

387скачиваний за 30 дней26лайковвеса обновлены12 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Voxtral Mini 4B Realtime Arabic — потоковая модель распознавания речи, разработанная Mistral AI совместно с Министерством цифрового перехода и административной реформы Марокко. Она предназначена для транскрибации диалектов арабского языка и современного литературного арабского, в том числе в аудио с переключением между языками. Модель дообучена на базе mistralai/Voxtral-Mini-4B-Realtime-2602 и содержит около 4,4 млрд параметров; веса представлены в BF16. Архитектура сочетает причинный аудиоэнкодер и языковой декодер, обрабатывает звук с частотой 16 кГц и выдаёт текст по мере поступления аудио.

Настраиваемая задержка транскрибации позволяет использовать модель для живых субтитров и голосовых интерфейсов. При задержке 480 мс заявлен средний CER 8,82% на семи арабских тестах. Модель ориентирована на арабскую речь; для других языков авторы рекомендуют исходную Voxtral Mini 4B Realtime. Для запуска описана поддержка vLLM и Transformers. Лицензия в предоставленных материалах не указана.

Сценарии применения

  • потоковая транскрибация арабской речи
  • создание живых субтитров на арабском языке
  • распознавание марокканских и других арабских диалектов
  • транскрибация речи с переключением между языками
  • распознавание речи для голосовых интерфейсов

Ограничения

Модель ориентирована на арабскую речь; для распознавания других языков рекомендуется исходная Voxtral Mini 4B Realtime. Лицензия в предоставленных материалах не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Voxtral Mini 4B Realtime Arabic

[!Note] See a space live demo directly in your browser here powered by this ONNX checkpoint. Many thanks to the ONNX community.

Voxtral Mini 4B Realtime Arabic is a streaming speech-to-text model for Arabic dialects and Modern Standard Arabic. It is designed to handle challenging real-world audio and code-switching, where speakers alternate between languages within the same conversation.

This model is fine-tuned from Voxtral-Mini-4B-Realtime-2602 and has approximately 4.4 billion parameters, with weights in BF16 precision. It processes 16 kHz audio through a causal audio encoder and language decoder, producing text as audio arrives. Its configurable transcription delay supports applications such as live captions and voice interfaces.

At a configured transcription delay of 480 ms, the model achieves an average Character Error Rate (CER) of 8.82% across seven Arabic benchmarks. It outperforms several open-source and proprietary offline models and comes within 0.91 percentage points of Voxtral Transcribe Arabic’s 7.91% CER.

The model is co-developed with the Ministère de la Transition Numérique et de la Réforme Administrative (MTNRA) under the umbrella of the strategic partnership signed between Mistral and Morocco in January 2026 as a sovereign AI asset.

Usage

vLLM

Use vLLM with Voxtral Realtime support and mistral-common audio dependencies.

pip install --upgrade vllm "mistral-common[audio]"

vllm serve mistralai/Voxtral-Mini-4B-Realtime-Arabic

Stream audio over WebSocket to /v1/realtime by adapting this example.

Transformers

Starting with transformers >= 5.2.0, Voxtral Realtime runs natively in Transformers. See the Transformers documentation for details.

pip install --upgrade "transformers>=5.2.0" accelerate
pip install --upgrade "mistral-common[audio]"
import torch
from transformers import VoxtralRealtimeForConditionalGeneration, AutoProcessor
from mistral_common.tokens.tokenizers.audio import Audio
from huggingface_hub import hf_hub_download

repo_id = "mistralai/Voxtral-Mini-4B-Realtime-Arabic"

processor = AutoProcessor.from_pretrained(repo_id)
model = VoxtralRealtimeForConditionalGeneration.from_pretrained(
  repo_id, dtype=torch.bfloat16, device_map="auto"
)

audio_file = hf_hub_download(
  repo_id=repo_id,
  filename="assets/bank-take-2.wav",
  repo_type="model",
)
audio = Audio.from_file(audio_file, strict=False)
audio.resample(processor.feature_extractor.sampling_rate)

inputs = processor(audio.audio_array, return_tensors="pt")
inputs = inputs.to(model.device, dtype=model.dtype)

outputs = model.generate(**inputs, do_sample=False)
print(processor.batch_decode(outputs, skip_special_tokens=True)[0])

Benchmarks

We report Character Error Rate (CER) on established Arabic benchmarks and two new benchmarks, ISMA and Darija in the Wild, co-developed with Morocco’s Ministère de la Transition Numérique et de la Réforme Administrative (MTNRA). Lower CER is better.

Average performances by delay

Benchmark performances

ISMA and Darija in the Wild Benchmark composition

All evaluations use temperature 0.0; the realtime model uses a configured transcription delay of 480 ms. CER is computed with normalization co-developed with MTNRA, covering Arabic dialect-specific spelling, clitics, loanwords, and spoken numbers. The code is available in normalization.py. Scores may differ under other normalization methods.

Example of usage:

from normalization import normalize_arabic_asr

reference = normalize_arabic_asr(reference)
hypothesis = normalize_arabic_asr(hypothesis)

Note: Gemini’s safety filters block transcription of some FLEURS audio samples.

Emerging capabilities

Training focused on Arabic code-switching. We also observe improvements in code-switching involving languages outside the training focus.

Limitations

The model targets Arabic transcription. For other languages, use the original Voxtral Mini 4B Realtime.

License

This model is licensed under the Apache 2.0 License.

You must not use this model in a manner that infringes, misappropriates, or otherwise violates any third party’s rights, including intellectual property rights.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · vllm

Можно запустить

Подбираем GPU…

Класс архитектуры
VoxtralRealtimeForConditionalGeneration
Ревизия весов
7c60cf2

0 моделей